مورد إلكتروني
Federated Learning in Large Scale Networks : Exploring Hierarchical Federated Learning
العنوان: | Federated Learning in Large Scale Networks : Exploring Hierarchical Federated Learning |
---|---|
عناروين إضافية: | Federerad Inlärning i Storskaliga Nätverk : Utforskande av Hierarkisk Federerad Inlärning |
بيانات النشر: | KTH, Skolan för elektroteknik och datavetenskap (EECS) 2020 |
تفاصيل مُضافة: | Eriksson, Henrik |
نوع الوثيقة: | Electronic Resource |
مستخلص: | Federated learning faces a challenge when dealing with highly heterogeneous data and it can sometimes be inadequate to adopt an approach where a single model is trained for usage at all nodes in the network. Different approaches have been investigated to succumb this issue such as adapting the trained model to each node and clustering the nodes in the network and train a different model for each cluster where the data is less heterogeneous. In this work we study the possibilities to improve the local model performance utilizing the hierarchical setup that comes with clustering the participating clients in the network. Experiments are carried out featuring a Long Short-Term Memory network to perform time series forecasting to evaluate different approaches utilizing the hierarchical setup and comparing them to standard federated learning approaches. The experiments are done using a dataset collected by Ericsson AB consisting of handovers recorded at base stations in an European city. The hierarchical approaches didn’t show any benefit over common two-level approaches. Federated Learning står inför en utmaning när det gäller att hantera data med en hög grad av heterogenitet och det kan i vissa fall vara olämpligt att använda sig av en approach där en och samma modell är tränad för att användas av alla noder i nätverket. Olika approacher för att hantera detta problem har undersökts som att anpassa den tränade modellen till varje nod och att klustra noderna i nätverket och träna en egen modell för varje kluster inom vilket datan är mindre heterogen. I detta arbete studeras möjligheterna att förbättra prestandan hos de lokala modellerna genom att dra nytta av den hierarkiska anordning som uppstår när de deltagande noderna i nätverket grupperas i kluster. Experiment är utförda med ett Long Short-Term Memory-nätverk för att utföra tidsserieprognoser för att utvärdera olika approacher som drar nytta av den hierarkiska anordningen och jämför dem med vanliga federated learning-approacher. Experimenten är utförda med ett dataset insamlat av Ericsson AB. Det består av "handoversfrån basstationer i en europeisk stad. De hierarkiska approacherna visade inga fördelar jämfört med de vanliga två-nivåapproacherna. |
مصطلحات الفهرس: | Federated learning, personalization, time series forecasting, clustering, hierarchical federated learning, model interpolation, Mapper, HierFAvg, base stations, non-IID, LSTM, Federerad inlärning, tidsserieprognostisering, personalisering, kluster, hierarkisk federerad inlärning, modellinterpolation, basstationer, Electrical Engineering, Electronic Engineering, Information Engineering, Elektroteknik och elektronik, Student thesis, info:eu-repo/semantics/bachelorThesis, text |
URL: | TRITA-EECS-EX ; 2020:937 |
الإتاحة: | Open access content. Open access content info:eu-repo/semantics/openAccess |
ملاحظة: | application/pdf English |
أرقام أخرى: | UPE oai:DiVA.org:kth-292744 1252983313 |
المصدر المساهم: | UPPSALA UNIV LIBR From OAIster®, provided by the OCLC Cooperative. |
رقم الأكسشن: | edsoai.on1252983313 |
قاعدة البيانات: | OAIster |
الوصف غير متاح. |